论文四连读（1）图像中的直线检测 PClines - Line detection using parallel coordinates

最近读了一些论文，其中四篇是直接关联的，顺序下来进行一系列的检测，最后应用到单目图像的检测和识别相关，把这四篇文章记录一下。
这个博客是介绍其中第一篇，也是后面所有文章的基础。论文名为PClines - Line detection using parallel coordinates，链接比较好找，就不贴了。
这是一篇2011年CVPR的论文，包括后续三篇论文，都是出自同一个实验室。这篇文章的目的，是高效、准确的检测照片中的直线。
在这之前，图像中直线检测，大多是通过经典Hough变换，采用极坐标系。所有的Hough变换，都是两个坐标系之间的点-线一一对应。比如直角坐标系中的一个点，在极坐标系下是一条曲线，直角坐标系下的一条直线，到了极坐标系下就是一个点。所以产生了点-线，线-点的一一对应。
极坐标系下的Hough变换的直线检测，就是首先在图片中检测出n个边缘点，将所有的n个边缘点都映射到极坐标系下，得到了n条曲线，在直角坐标系下共线的边缘点，对应的曲线在极坐标系下会交于一个点，这个极坐标系中的点就是我们要得到的原图的直线。
说的比较绕，也很简略，更详细的描述和细节可以参考相关文章，这里给一个其中我觉得讲的比较详细的链接https://blog.csdn.net/u010712012/article/details/86104053

极坐标系的Hough变换检测直线存在一些问题，比如计算量大、时间很慢（涉及到极坐标系的转换、曲线的交点等）。因此这篇文章采用了平行坐标系来代替极坐标系的Hough变换进行直线检测。平行坐标系，通常用来可视化高维向量，每一个坐标轴代表一个维度，坐标轴正方想竖直向上，坐标轴之间两两平行，且间隔相等，因此取名平行坐标系。如下图所示，图中每一条折线代表一个四维（四条坐标轴）向量，折线与坐标轴的交点，就是对应维度的值，例如图中橙黄色折线表示的向量大概是(900,800,550,850)。

平行坐标系通常用来表示高维（超过三维）的数据的特征、关系、趋势等。本文中，使用两个轴的平行坐标系（屈才了），来和平面直角坐标系，也就是图片的像素坐标一一对应，一个像素点，在平行坐标系中是一条折线;而平行坐标系中的一个点，在直角坐标系中就是一条直线（因为过一个点有无数直线，无数直线代表无数个直角坐标系中的像素点，这些像素点都是共线的）。
这就是这篇论文的核心思想，由于像素点在平行坐标系下是折线，在计算量上比极坐标系的曲线要少很多，因此在速度方便有了很大的提高。

当然，平行坐标系，存在一个显著的不足。拿二维坐标举例，一条直角坐标系的直线y=mx+b，其中m为斜率，当m=1时，在平行坐标系下，这条直线所代表的点不存在（在无穷远处）。因为斜率为1的直线上的点，到了平行坐标系下，对应的直线永远是相互平行的，两两无交点。另外，直线斜率大于零的直线，交点将会落在平行坐标系外部。为了解决这个问题，文章将y轴，做了一个翻转操作，这样平行坐标系下，就有三个轴，分别是-y、x、y轴。

如图所示，本来直线BC，在平行坐标系下，交点会落在外部，也就是下图CxCy和BxBy延长线的交点，但是把y轴做了一个翻转，对称过来之后，CxC-y和BxB-y的交点就不需要做延长的处理了。同样的，如果是斜率为1的直线上的点，做了-y的反转之后，交点就不是理想的，而是会落在左半区域。

这就是文章检测直线的大体步骤，总结一下：
1、检测出图片中的边缘点。
2、将边缘点投影到平行空间（对y轴做了翻转，这样交点就不会落在平行坐标系之外），一个边缘点对应一条平行坐标系中的直线。
3、对平行空间中的线求交点，并投票，找到直线最多的那个交点，然后在直角坐标系中，把这个交点对应的直线画出来即可（连点就可以了）。
4、可以设置一个阈值，找出图片中的所有直线。